基于云邊協(xié)同子類蒸餾的卷積神經(jīng)網(wǎng)絡(luò)模型壓縮方法

摘要： 當(dāng)前卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和分發(fā)流程中，云端擁有充足的計算資源和數(shù)據(jù)集，但難以應(yīng)對邊緣場景中碎片化的需求。邊緣側(cè)能夠直接進(jìn)行模型的訓(xùn)練和推理，但難以直接使用云端按照統(tǒng)一規(guī)則訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型。針對在邊緣側(cè)資源受限的情況下，卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行模型壓縮的訓(xùn)練和推理有效性低的問題，首先，提出了一種基于云邊協(xié)同的模型分發(fā)和訓(xùn)練框架，該框架可以結(jié)合云端和邊緣側(cè)各自的優(yōu)勢進(jìn)行模型再訓(xùn)... （共8頁）